r - 使用 R 从 Pubmed 数据中的隶属关系中提取大学名称

Question

我一直在使用 R 中非常有用的 rentrez 包从 Pubmed 数据库中获取有关作者、文章 ID 和作者隶属关系的信息。这工作正常，但现在我想从附属字段中提取信息。不幸的是，隶属关系字段是广泛的非结构化字段，不是标准化的字符串，包含各种类型的信息，例如大学名称、部门名称、地址以及更多由逗号分隔的信息。因此，文本挖掘方法对于从该字段中获取任何有用的信息是必要的。

我尝试将 easyPubmed 包与 rentrez 结合使用，尽管 easyPubmed 包可以从附属字段中提取一些信息(例如电子邮件地址，这非常有用)，但据我所知它无法提取大学名称。我也试过包 pubmed.mineR，但不幸的是这也不提供大学名称提取。我开始尝试使用 grep 和 regex 函数，但由于我不是 R 专家，所以无法完成这项工作。

我能够找到非常相似的线程来解决 python 的问题:

Regex for extracting names of colleges, universities, and institutes?

How to extract university/school/college name from string in python using regular expression?

但不幸的是我不知道如何将 python regex 函数转换为 R regex 函数，因为我不熟悉 python。

这是一些示例数据:

PMID = c(121,122,123,124,125)
author=c("author1","author2","author3","author4","author5")
Affiliation = c("blabla,University Ghent,blablabla", "University Washington, blabla, blablabla, blablabalbalba","blabla,University of Florence,blabla", "University Chicago, Harvard University", "Oxford University")
df = as.data.frame(cbind(PMID,author,Affiliation))

df
PMID  author                                              Affiliation
1  121 author1                        blabla,University Ghent,blablabla
2  122 author2 University Washington, blabla, blablabla, blablabalbalba
3  123 author3                        blabla,University of Florence,blabla
4  124 author4                        University Chicago, Harvard University
5  125 author5                        Oxford University

我想得到什么:

PMID  author    Affiliation                        University
1  121 author1  blabla,University Ghent,blablabla  University Ghent
2  122 author2  University Washington,ba, bla, bla University Washington
3  123 author3  blabla,University Florence,blabla  University of Florence
4  124 author4  University Chicago, Harvard Univ   University Chicago, Harvard University
5  125 author5  Oxford University                  Oxford University

如果网上已经有解决方案，请见谅，但老实说，我在谷歌上搜索了很多，但没有找到任何明确的 R 解决方案。我将非常感谢对此任务的任何提示和解决方案。

Answer 1

一般来说，正则表达式可以通过一些更改移植到 R。例如，使用您包含的 php 链接，您可以使用该正则表达式创建一个包含提取文本的新变量，并且只更改转义字符(“\\”而不是“\”)。因此，使用 dplyr 和 stringr 包:

library(dplyr)
library(stringr)
df <- df %>% 
  mutate(Organization=str_extract(Affiliation,
      "([A-Z][^\\s,.]+[.]?\\s[(]?)*(College|University|Institute|Law School|School of|Academy)[^,\\d]*(?=,|\\d)"))